Fugu-MT 論文翻訳(概要): A Hierarchical Tree-based approach for creating Configurable and Static Deep Research Agent (Static-DRA)

論文の概要: A Hierarchical Tree-based approach for creating Configurable and Static Deep Research Agent (Static-DRA)

arxiv url: http://arxiv.org/abs/2512.03887v1
Date: Wed, 03 Dec 2025 15:37:13 GMT
ステータス: 情報取得中
システム内更新日: 2025-12-04 12:07:22.993037
Title: A Hierarchical Tree-based approach for creating Configurable and Static Deep Research Agent (Static-DRA)
Title（参考訳）: 階層型木を用いた構成・静的深部研究エージェント(Static-DRA)の創出
Authors: Saurav Prateek,
Abstract要約: 本稿では,階層木に基づく静的ワークフローに基づく新しいソリューションである静的ディープリサーチエージェント(Static-DRA)を紹介する。コアコントリビューションは、DepthとBreadthという2つのユーザチューニング可能なパラメータの統合である。エージェントのアーキテクチャは、スーパーバイザ、インディペンデント、およびWorkerエージェントで構成され、効果的なマルチホップ情報検索を促進する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: The advancement in Large Language Models has driven the creation of complex agentic systems, such as Deep Research Agents (DRAs), to overcome the limitations of static Retrieval Augmented Generation (RAG) pipelines in handling complex, multi-turn research tasks. This paper introduces the Static Deep Research Agent (Static-DRA), a novel solution built upon a configurable and hierarchical Tree-based static workflow. The core contribution is the integration of two user-tunable parameters, Depth and Breadth, which provide granular control over the research intensity. This design allows end-users to consciously balance the desired quality and comprehensiveness of the research report against the associated computational cost of Large Language Model (LLM) interactions. The agent's architecture, comprising Supervisor, Independent, and Worker agents, facilitates effective multi-hop information retrieval and parallel sub-topic investigation. We evaluate the Static-DRA against the established DeepResearch Bench using the RACE (Reference-based Adaptive Criteria-driven Evaluation) framework. Configured with a depth of 2 and a breadth of 5, and powered by the gemini-2.5-pro model, the agent achieved an overall score of 34.72. Our experiments validate that increasing the configured Depth and Breadth parameters results in a more in-depth research process and a correspondingly higher evaluation score. The Static-DRA offers a pragmatic and resource-aware solution, empowering users with transparent control over the deep research process. The entire source code, outputs and benchmark results are open-sourced at https://github.com/SauravP97/Static-Deep-Research/
Abstract（参考訳）: 大規模言語モデルの進歩は、複雑なマルチターン研究タスクを扱うための静的検索拡張生成(RAG)パイプラインの制限を克服するために、Deep Research Agents (DRA)のような複雑なエージェントシステムの作成を推進している。本稿では、構造化可能で階層的なツリーベース静的ワークフロー上に構築された新しいソリューションである静的ディープリサーチエージェント(Static-DRA)を紹介する。コアコントリビューションは、DepthとBreadthという2つのユーザチューニング可能なパラメータの統合である。この設計により、エンドユーザは、LLM(Large Language Model)インタラクションの計算コストに対して、研究レポートの望ましい品質と包括性を意識的にバランスすることができる。エージェントのアーキテクチャは、スーパーバイザ、インディペンデント、およびWorkerエージェントで構成され、効果的なマルチホップ情報検索と並列サブトピック調査を促進する。 RACE(Reference-based Adaptive Criteria-driven Evaluation)フレームワークを用いたDeepResearch Benchに対する静的DRAの評価を行った。 2の深さと5の幅を持ち、gemini-2.5-proモデルで構成され、全体的なスコアは34.72となった。実験により, 設定した深度, 深度パラメータの増大は, より深い研究プロセスとそれに伴う評価スコアの増大をもたらすことが示された。 Static-DRAは実用的でリソースを意識したソリューションを提供する。ソースコード、アウトプット、ベンチマーク結果はhttps://github.com/SauravP97/Static-Deep-Research/でオープンソース化されている。

関連論文リスト

Hierarchical Deep Research with Local-Web RAG: Toward Automated System-Level Materials Discovery [16.491889842339617]
複雑な材料やデバイス発見問題のための長期的階層的深層研究(DR)エージェント。我々のフレームワークは、ローカルにデプロイ可能なDRインスタンスをインスタンス化し、ローカル検索拡張生成と大規模言語モデル推論を統合します。大規模言語モデル (LLM-as-judge) を用いた27のナノマテリアル/デバイストピックに対して, Web 対応5つの最先端モデルを審査員として体系的に評価した。
論文参考訳（メタデータ） (2025-11-23T05:57:42Z)
A Rigorous Benchmark with Multidimensional Evaluation for Deep Research Agents: From Answers to Reports [24.09178055088843]
Deep Research Agents (DRA)は、タスク分解、クロスソース検索、多段階推論、構造化出力の能力を示す。本稿では,DRAとレポートスタイルの応答に適した厳密なベンチマークと多次元評価フレームワークを提案する。このフレームワークは、DRAが生成した長期レポートの総合的な評価を可能にし、セマンティックな品質、トピックの焦点、検索の信頼性のための総合的なスコアリング指標を統合する。
論文参考訳（メタデータ） (2025-10-02T16:40:02Z)
FlashResearch: Real-time Agent Orchestration for Efficient Deep Research [62.03819662340356]
FlashResearchは効率的なディープリサーチのための新しいフレームワークです。シーケンシャル処理を並列なランタイムオーケストレーションに変換する。同等のクオリティを維持しつつ、最大5倍のスピードアップを提供できる。
論文参考訳（メタデータ） (2025-10-02T00:15:39Z)
WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
論文参考訳（メタデータ） (2025-09-16T17:57:21Z)
DeepScholar-Bench: A Live Benchmark and Automated Evaluation for Generative Research Synthesis [52.636738269442766]
本稿では,生のベンチマークと総合的自動評価フレームワークであるDeepScholar-benchを紹介する。 DeepScholar-benchは、最近の高品質なArXiv論文からクエリを抽出し、真の研究合成タスクにフォーカスしている。また,LOTUS APIを用いて効率的に実装した参照パイプラインであるDeepScholar-baseを開発した。
論文参考訳（メタデータ） (2025-08-27T16:36:34Z)
HiRA: A Hierarchical Reasoning Framework for Decoupled Planning and Execution in Deep Search [85.12447821237045]
HiRAは、戦略的な計画と専門的な実行を分離する階層的なフレームワークである。提案手法では,複雑な探索タスクを集中サブタスクに分解し,各サブタスクを外部ツールと推論機能を備えたドメイン固有エージェントに割り当てる。 4つの複雑なクロスモーダルなディープ・サーチ・ベンチマークの実験により、HiRAは最先端のRAGとエージェント・ベース・システムを大きく上回っていることが示された。
論文参考訳（メタデータ） (2025-07-03T14:18:08Z)
Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文参考訳（メタデータ） (2025-06-22T16:52:48Z)
DeepResearch Bench: A Comprehensive Benchmark for Deep Research Agents [30.768405850755602]
DeepResearch Benchは100のPhDレベルの研究タスクからなるベンチマークである。ディープリサーチエージェントの評価は本質的に複雑で、労働集約的である。本稿では,人間の判断に強く適合する2つの新しい手法を提案する。
論文参考訳（メタデータ） (2025-06-13T13:17:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。